Fähigkeiten hypogenic
📊

hypogenic

Niedriges Risiko 🌐 Netzwerkzugriff⚙️ Externe Befehle

Gerar hipóteses científicas a partir de dados

Auch verfügbar von: davila7

A geração manual de hipóteses é demorada e propensa a viés cognitivo. O Hypogenic automatiza a geração e teste de hipóteses usando LLMs, permitindo que pesquisadores explorem sistematicamente padrões em conjuntos de dados tabulares e combinem descobertas empíricas com insights da literatura.

Unterstützt: Claude Codex Code(CC)
⚠️ 68 Schlecht
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "hypogenic". Um pequeno subconjunto de dados tabulares com características de texto e rótulos mostrando padrões no comportamento do cliente

Erwartetes Ergebnis:

1. Hipótese: Amostras com feature_X acima do limiar tendem a ter label_A devido ao mecanismo causal subjacente.
2. Hipótese: A interação entre feature_Y e feature_Z cria um efeito mais forte do que qualquer um isoladamente.
3. Hipótese: Label_B está associado a padrões linguísticos específicos em feature_W.

Verwendung von "hypogenic". Resultados de validação mostrando quais hipóteses estão com desempenho inferior em determinados subconjuntos de dados

Erwartetes Ergebnis:

Hipótese Refinada 1: Quando feature_X > limiar E feature_Y está baixo, label_A é mais provável (atualizado do original para considerar efeito de interação).
Hipótese Refinada 3: O padrão linguístico em feature_W é mais preditivo quando combinado com metadados sobre tipo de fonte.

Sicherheitsaudit

Niedriges Risiko
v6 • 1/21/2026

This scientific hypothesis generation skill was scanned with 126 potential issues detected. After evaluation, all findings are false positives: environment variable references for API keys follow security best practices; hardcoded URLs are legitimate documentation links; shell command examples are user setup instructions; no actual cryptographic code or command-and-control patterns exist. The skill makes normal LLM API calls for hypothesis generation, which is expected functionality.

3
Gescannte Dateien
2,075
Analysierte Zeilen
2
befunde
6
Gesamtzahl Audits

Risikofaktoren

🌐 Netzwerkzugriff (4)
SKILL.md:24 SKILL.md:544 SKILL.md:564 SKILL.md:603-604
⚙️ Externe Befehle (3)
SKILL.md:19-31 SKILL.md:123-125 SKILL.md:233-235
Auditiert von: claude Audit-Verlauf anzeigen →

Qualitätsbewertung

41
Architektur
100
Wartbarkeit
87
Inhalt
21
Community
90
Sicherheit
87
Spezifikationskonformität

Was du bauen kannst

Exploração de hipóteses em pesquisa acadêmica

Gerar e testar múltiplas hipóteses sobre padrões em dados observacionais, como detectar enganação em texto ou identificar indicadores de saúde mental a partir de postagens em redes sociais.

Descoberta de padrões específicos de domínio

Explorar relações empíricas em conjuntos de dados tabulares para aplicações como análise de conteúdo, modelagem preditiva ou pesquisa de classificação.

Geração de hipóteses fundamentadas em literatura

Combinar artigos de pesquisa existentes com dados empíricos para gerar hipóteses fundamentadas em teoria que estendem ou validam teorias científicas.

Probiere diese Prompts

Gerar hipóteses iniciais a partir de dados 
Analise as seguintes amostras de dados e identifique padrões nas características e rótulos. Gere {num_hypotheses} hipóteses específicas e testáveis que possam explicar esses padrões. Cada hipótese deve ser concreta e falsificável.
Refinar hipóteses existentes 
Revise as seguintes hipóteses e os resultados de validação. Identifique quais hipóteses estão com desempenho inferior e gere versões melhoradas que expliquem melhor os exemplos desafiadores. Concentre-se na especificidade e testabilidade.
Integrar insights da literatura com dados 
Com base nos seguintes insights de artigos de pesquisa: {paper_insights}, e nos padrões de dados observados: {data_observations}, gere hipóteses que combinem fundamentos teóricos com descobertas empíricas.
Validar relevância da hipótese 
Dada a hipótese: {hypothesis}, e a amostra de dados: {data_sample}, avalie se esta hipótese é relevante e testável para este conjunto de dados. Forneça raciocínio específico.

Bewährte Verfahren

  • Comece com um conjunto de dados limpo no formato HuggingFace com características de texto e rótulos nomeados adequadamente
  • Use pelo menos 10-20 hipóteses para exploração abrangente do espaço de padrões
  • Refine iterativamente as hipóteses com base no desempenho de validação em vez de gerar todas de uma vez
  • Combine insights da literatura com hipóteses orientadas a dados para estruturas teóricas mais fundamentadas

Vermeiden

  • Usar conjuntos de dados que não correspondem ao formato HuggingFace necessário com nomenclatura de chaves adequada
  • Gerar poucas hipóteses e perder relações importantes de padrões
  • Pular o processo de refinamento iterativo e aceitar hipóteses iniciais
  • Executar sem configuração adequada de API ou cache para gerenciamento de custos

Häufig gestellte Fragen

Em qual formato meu conjunto de dados precisa estar?
Os conjuntos de dados devem seguir o formato HuggingFace com arquivos nomeados <TASK>_train.json, <TASK>_val.json e <TASK>_test.json. Cada arquivo deve conter text_features_1 até text_features_n (listas de strings) e um label (lista de strings).
Quais provedores de LLM são suportados?
O Hypogenic suporta modelos GPT da OpenAI, modelos Claude da Anthropic e LLMs locais através de APIs compatíveis. Configure seu provedor preferido no arquivo config.yaml.
Qual é a diferença entre os métodos HypoGeniC, HypoRefine e Union?
HypoGeniC gera hipóteses exclusivamente a partir de dados. HypoRefine combina insights da literatura com padrões empíricos. Métodos Union combinam hipóteses exclusivas de literatura com saídas de framework para cobertura abrangente.
Quantas hipóteses devo gerar?
O framework normalmente gera 10-20+ hipóteses. Mais hipóteses exploram mais espaço de padrões, mas aumentam os custos de API. Comece com 20 e ajuste com base nos resultados de validação.
Preciso de Redis para cache?
Redis é opcional, mas recomendado para reduzir custos de API durante experimentos iterativos. Ele armazena em cache respostas de LLM para evitar chamadas redundantes para os mesmos prompts.
Quais são os requisitos computacionais?
O uso básico requer recursos mínimos com apenas Python e pip. Para processamento de literatura com análise de PDF, você precisará do GROBID executando como serviço. Para uso de LLM local, recursos de GPU são recomendados.

Entwicklerdetails

Lizenz

MIT license

Repository

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/hypogenic

Ref

main

Dateistruktur

📁 references/

📄 config_template.yaml

📄 SKILL.md